1. RiUfes
2. CT - Centro Tecnológico
3. PPGEE - Programa de Pós-Graduação em Engenharia Elétrica
4. PPGEE - Dissertações de mestrado

Título:	Detecção e Classificação de Câncer a partir de Mamografias Digitalizadas e Redes Neurais Convolucionais
Autor(es):	Dalvi, Rodolfo de Figueiredo
Orientador:	Ciarelli, Patrick Marques
Data do documento:	29-Mai-2018
Editor:	Universidade Federal do Espírito Santo
Resumo:	Neste trabalho foram desenvolvidas duas metodologias baseadas em redes neurais convolucionais com o objetivo de realizar a classificação do câncer de mama em uma imagem de mamografia digital. Primeiramente buscou-se uma metodologia mais simples que, apartir de regiões marcadas na base de dados, identifica se as mesmas são regiões normaisou cancerígenas. Desta forma, foram obtidos resultados expressivos, com uma acuráciade 99,41%, sensibilidade e especificidade de 98,57% e 100%, respectivamente. Com ointuito de buscar uma maior aplicabilidade da metodologia proposta, foi realizado umaprimoramento da primeira metodologia tornando-a independe de uma marcação inicial.Na segunda metodologia é realizado um pré-processamento da imagem para em seguidafazer uma segmentação dos possíveis candidatos à câncer. Cada um dos candidatos éclassificado como normal ou cancerígeno por uma rede neural convolucional. Por fim, oscandidatos cancerígenos são classificados como benignos ou malignos, usando também umarede neural convolucional. Foram obtidos resultados relevantes considerando a dificuldadedo problema, atingindo uma acurácia de 91,89%, sensibilidade de 88,52% e especificidadede 96,00% para a detecção do câncer, e uma acurácia de 82,14%, sensibilidade de 81,48%e especificidade de 82,75% para a classificação do tipo de câncer. In this work, two methodologies based on convolutional neural networks were developedwith the objective of performing the classification of breast cancer in a digital mammographyimage. Firstly, we sought a simpler methodology that, from regions marked in the database,identifies whether they are normal or carcinogenic regions. In this way, expressive resultswere obtained, with an accuracy of 99.41%, sensitivity and specificity of 98.57% and100%, respectively. In order to seek greater applicability of the proposed methodology,an improvement of the first methodology was made, making it independent of an initialmarking. In the second methodology is performed a pre-processing of the image andthen segment the potential candidates for cancer. Each candidate is classified as normalor carcinogenic by a convolutional neural network. Finally, carcinogenic candidates areclassified as benign or malignant, also using a convolutional neural network. Relevantresults were obtained considering the difficulty of the problem, reaching an accuracyof 91.89%, sensitivity of 88.52% and specificity of 96.00% for cancer detection, and anaccuracy of 82.14% , sensitivity of 81.48% and specificity of 82.75% for the classificationof the type of cancer.
URI:	http://repositorio.ufes.br/handle/10/10177
Aparece nas coleções:	PPGEE - Dissertações de mestrado

Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.